- „Teachable Machine“ leidžia kurti vaizdo, garso ir pozų atpažinimo modelius nerašant kodo.
- Ši priemonė demokratizuoja dirbtinį intelektą, palengvindama mašininį mokymąsi netechniniams profiliams ir pedagogams.
- Apmokytus modelius galima eksportuoti integracijai į žiniatinklio programas, daiktų interneto projektus arba vietinę programinę įrangą.
Ar kada nors pagalvojote, kad dirbtinis intelektas skirtas tik kompiuterių genijams ar matematikams su daktaro laipsniais? Na, meskite šią mintį iš galvos, nes šiandien kiekvienas gali eksperimentuoti su mašininiu mokymusi, nereikės grumtis su nė viena kodo eilute. Intuityvių įrankių dėka prieiga prie šios technologijos tapo demokratiška, leidžianti visiems – nuo studentų iki verslininkų – žengti pirmuosius žingsnius į dirbtinio intelekto pasaulį visiškai vizualiai.
Vienas ryškiausių šios srities pavyzdžių yra „Teachable Machine“ – „Google“ žiniatinklio platforma, kuri modelių mokymą paverčia beveik žaidimu. Kalbama ne apie sudėtingo pokalbių roboto kūrimą, o apie sistemų, gebančių klasifikuoti vaizdus, atpažinti garsus ar aptikti kūno pozas realiuoju laiku, kūrimą. Tai puikus pradinis taškas tiems, kurie nori suprasti, kaip mašina „mokosi“ iš pavyzdžių ir kaip pritaikyti šias žinias edukaciniuose ar kūrybiniuose projektuose.
Pagrindinės sąvokos, padėsiančios nepasiklysti pakeliui
Prieš pradedant gilintis į įrankį, naudinga suprasti, kas yra mašininis mokymasis . Iš esmės tai dirbtinio intelekto šaka, leidžianti kompiuteriams mokytis iš duomenų, o ne nuosekliai vykdyti iš anksto užprogramuotas instrukcijas. Įsivaizduokite, kad esate vaikas, mokantis atskirti obuolį nuo kriaušės; jūsų tėvai rodo jums įvairius vaisius ir pasako, kuris yra kuris. Na, dirbtinio intelekto modelis daro tą patį: jis analizuoja pateiktų duomenų modelius , kad priimtų sprendimus dėl dalykų, kurių niekada anksčiau nematė.
Šie modeliai yra varomoji jėga, skatinanti technologijas, kurias jau naudojame kasdien, pavyzdžiui, „Alexa“ tipo balso asistentus ar „Netflix“ rekomendacijų sistemas. Švietimo srityje tai neįkainojama, nes leidžia mokiniams suprasti dirbtinio intelekto veikimą ir lavinti kritinio mąstymo įgūdžius apie tai, kaip informacija apdorojama skaitmeniniame amžiuje.
Žingsnis po žingsnio, kaip sukurti savo pirmąjį modelį
Jei norite pradėti, procesas stebėtinai paprastas. Pirmiausia eikite į oficialią „Teachable Machine“ svetainę ir pasirinkite jus labiausiai dominantį projekto tipą: vaizdus, garsus ar pozas . Pavyzdžiui, jei pasirinksite vaizdus, pamatysite, kad sistema paprašys apibrėžti „klases“. Klasė yra tiesiog kategorija, kurią norite, kad DI atpažintų. Jei norite, kad jis atskirtų rašiklį nuo užrašų knygelės, sukursite kiekvienam iš jų po klasę.
Norėdami pasimokyti iš šių dalykų, turite dvi galimybes: naudoti internetinę kamerą nuotraukoms realiuoju laiku užfiksuoti arba įkelti failus, kuriuos jau išsaugojote kompiuteryje ar „Google“ diske. Norint užtikrinti modelio tikslumą, reikia įvairovės; nedarykite dešimties identiškų nuotraukų, o užfiksuokite objektą iš skirtingų kampų, apšvietimo ir pozicijų . Kuo daugiau aiškių ir įvairių pavyzdžių turės mašina, tuo mažiau klaidų ji padarys.
Kai duomenys bus paruošti, laikas spustelėti mygtuką „Parengti modelį“ . Čia ir įvyksta magija: sistema apdoroja vaizdus ir pradeda mokymą. Šio proceso metu labai svarbu neuždaryti skirtuko ir neatidaryti daug išteklių reikalaujančių programų, kad išvengtumėte klaidų. Vėliau galite patikrinti rezultatą peržiūroje, pastatydami objektą priešais kamerą ir stebėdami, kaip dirbtinis intelektas kiekvienai kategorijai priskiria sėkmės tikimybę .
Išplėstiniai patarimai ir duomenų optimizavimas
Ne visada pavyksta idealiai iš pirmo karto, ir tai yra dalis malonumo. Jei pastebite, kad jūsų modelis painiojasi, tikriausiai reikia išvalyti duomenų rinkinį . Pavyzdžiui, jei klasifikuojate vabzdžius ir skruzdėlių nuotraukų fone yra žmogus, dirbtinis intelektas gali manyti, kad žmonės yra skruzdėlės apibrėžimo dalis. Šių nesusijusių vaizdų pašalinimas yra labai svarbus norint gauti „švarius“ duomenis ir efektyviai apmokyti.
Tiems, kurie ieško profesionalesnio požiūrio, tokie įrankiai kaip „Imageye Chrome“ plėtinys leidžia atsisiųsti didelius vaizdus iš „Google“, kad būtų galima juos naudoti modeliams. Be to, labai rekomenduojama pasilikti keletą pavyzdžių testavimui ; tai yra, išsaugoti kelias nuotraukas, kurių dirbtinis intelektas nematė mokymo metu, kad patikrintų, ar jis tikrai išmoko apibendrinti, ar tiesiog įsiminė vaizdus.
Eksportas ir realaus pasaulio programos
Geriausia yra tai, kad jūsų darbas nebūtinai turi apsiriboti „Google“ svetaine. Galite eksportuoti savo modelį „TensorFlow.js“ formatu , kad galėtumėte jį integruoti į savo svetainę ar mobiliąją programėlę. Taip pat yra parinkčių atsisiųsti jį formatais, suderinamais su „TensorFlow Lite“, idealiai tinkančiais daiktų interneto (IoT) projektams arba vietiniams įrenginiams.
Pedagoginiu požiūriu, mokytojai gali tai panaudoti kurdami veiklas, kurios būtų susijusios su realaus gyvenimo situacijomis. Pavyzdžiui, jie galėtų apmokyti dirbtinį intelektą atpažinti galaktikų tipus pagal Hablo morfologiją arba sukurti sistemą, kuri atpažįsta kasdienius objektus, kad išspręstų konkrečią klasės problemą. Tai paverčia mokinius iš pasyvių technologijų vartotojų aktyviais dirbtiniu intelektu pagrįstų sprendimų kūrėjais.
Kiti įrankiai ne ekspertams
Nors „Teachable Machine“ yra fantastiška, rinkoje yra daugiau variantų tiems, kurie ieško mažai kodo reikalaujančio metodo . „Google AutoML“ yra didesnis, galingesnis ir į įmonę orientuotas giminingas modelis, sklandžiai integruojantis su „Google Cloud“. Kita vertus, „Lobe.ai“ siūlo itin paprastą vaizdų modelių vilkimo ir numetimo funkciją, o „Runway ML“ yra skaitmeninių menininkų, norinčių kurti meną ar redaguoti vaizdo įrašus naudojant dirbtinį intelektą, rojus.
Jei jums patogiau dirbti su „Microsoft“, „Azure Machine Learning Studio“ leidžia kurti sudėtingus darbo eigą nenaudojant programavimo. O jei jus domina kalba ir tekstas, „Hugging Face“ yra tinkama platforma, siūlanti didelę iš anksto apmokytų modelių biblioteką, kurią galite pritaikyti nuotaikoms analizuoti ar kalboms versti. Visos šios platformos turi bendrą tikslą: pašalinti technines kliūtis , kad inovacijos priklausytų nuo idėjų, o ne nuo žinojimo, kaip rašyti kodą.
Galimybė mokyti intelektualias sistemas tapo prieinama kiekvienam, todėl kūrybiškumas ir išsilavinimas susilieja su pažangiausiomis technologijomis. Įvaldęs tokias priemones kaip „Teachable Machines“ ir jų alternatyvas, bet kuris vartotojas gali paprastus duomenis paversti funkciniais modeliais, gebančiais atpažinti aplinką, optimizuoti procesus ir atverti duris inovacijoms, kurios anksčiau buvo skirtos tik kompiuterių ekspertams.